[探索Xata：用Python打造智能对话系统]

llzwxh888

于 2024-10-08 15:08:19 发布

阅读量303

点赞数 21

文章标签： python

本文链接：https://blog.csdn.net/ppoojjj/article/details/142760391

版权

探索Xata：用Python打造智能对话系统

在这篇文章中，我们将探索Xata，一个基于PostgreSQL和Elasticsearch的无服务器数据平台。我们将学习如何使用Xata提供的Python SDK，与数据库交互，并使用XataChatMessageHistory类来管理聊天会话的长期持久性。我们将通过实际代码示例来展示如何实现一个结合了长短期记忆的智能问答系统。

引言

Xata是一个创新的数据平台，结合了传统关系数据库和新兴向量存储的优势。它提供了强大的工具来支持复杂的数据交互和持久化操作。在今天的技术文章中，我们将使用Xata、OpenAI和Langchain库构建一个具有存储聊天记录和问答功能的智能代理。

主要内容

创建数据库

首先，我们需要在Xata UI中创建一个新的数据库，并命名为langchain。Langchain集成可以自动创建用于存储记忆的表。对于本示例，我们将使用这种自动创建的特性。如果你选择预创建表，确保它具有正确的模式，并在创建类时将create_table设置为False。

环境设置

安装必要的Python包：

%pip install --upgrade --quiet xata langchain-openai langchain langchain-community

获取API Key和数据库URL：

import getpass

api_key = getpass.getpass("Xata API key: ")
db_url = input("Xata database URL (copy it from your DB settings):")

创建简单的记忆存储

以下代码展示了如何在单独的会话中测试记忆存储功能：

from langchain_community.chat_message_histories import XataChatMessageHistory

history = XataChatMessageHistory(
    session_id="session-1", api_key=api_key, db_url=db_url, table_name="memory"
)

history.add_user_message("hi!")
history.add_ai_message("whats up?")
# 使用API代理服务提高访问稳定性

基于数据的对话问答链

配置OpenAI API Key：

import os

os.environ["OPENAI_API_KEY"] = getpass.getpass("OpenAI API Key:")

添加docs表来存储文档信息：

from langchain_community.vectorstores.xata import XataVectorStore
from langchain_openai import OpenAIEmbeddings

embeddings = OpenAIEmbeddings()

texts = [
    "Xata is a Serverless Data platform based on PostgreSQL",
    "Xata offers a built-in vector type that can be used to store and query vectors",
    "Xata includes similarity search",
]

vector_store = XataVectorStore.from_texts(
    texts, embeddings, api_key=api_key, db_url=db_url, table_name="docs"
)

创建对话代理：

from uuid import uuid4
from langchain.memory import ConversationBufferMemory

chat_memory = XataChatMessageHistory(
    session_id=str(uuid4()),  # needs to be unique per user session
    api_key=api_key,
    db_url=db_url,
    table_name="memory",
)
memory = ConversationBufferMemory(
    memory_key="chat_history", chat_memory=chat_memory, return_messages=True
)

from langchain.agents import AgentType, initialize_agent
from langchain.agents.agent_toolkits import create_retriever_tool
from langchain_openai import ChatOpenAI

tool = create_retriever_tool(
    vector_store.as_retriever(),
    "search_docs",
    "Searches and returns documents from the Xata manual. Useful when you need to answer questions about Xata.",
)
tools = [tool]

llm = ChatOpenAI(temperature=0)

agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
    verbose=True,
    memory=memory,
)

agent.run(input="My name is bob")
agent.run(input="What is xata?")
agent.run(input="Does it support similarity search?")
agent.run(input="Did I tell you my name? What is it?")